人工智能是否會進入醫(yī)學(xué)領(lǐng)域已經(jīng)不再是一個問題，問題在于要怎么做。最好的情況是，機器學(xué)習(xí)可以利用幾乎所有臨床醫(yī)生的集體經(jīng)驗，為一個醫(yī)生提供數(shù)百萬個類似病例經(jīng)驗，從而做出明智的決定。而在最壞的情況下，人工智能可能會助長不安全的做法，放大社會偏見，過度夸張結(jié)果，并失去醫(yī)生和病人的信任。

本月早些時候，谷歌的Alvin Rajkomar博士和Jeffrey Dean博士，以及哈佛醫(yī)學(xué)院的Isaac Kohane博士，在《新英格蘭醫(yī)學(xué)雜志》上撰寫了一份藍圖，概述了醫(yī)療實踐中機器學(xué)習(xí)的承諾和陷阱。

他們認(rèn)為，人工智能不僅僅是一種新工具，局限在某一項研究或者某一種藥物上。相反，它是擴展人類認(rèn)知能力的一項基礎(chǔ)技術(shù)，有可能使醫(yī)療的每一步都向好的方向發(fā)展。他們說，機器學(xué)習(xí)不是替代醫(yī)生，而是通過提供額外的洞察力來增強病人與醫(yī)生之間的關(guān)系。

從診斷到治療

在人工智能和醫(yī)學(xué)領(lǐng)域，診斷是最受關(guān)注的話題之一。

即使在技術(shù)發(fā)展初期，基于AI的診斷工具在發(fā)現(xiàn)乳腺X光照片上可能致命的病變，以及診斷皮膚癌和視網(wǎng)膜疾病方面，也經(jīng)常比放射科專家和病理學(xué)家做得更好。一些人工智能模型可以解析出精神疾病的癥狀，甚至提出治療建議。

這些提高計算機診斷能力的舉措要歸功于機器視覺和遷移學(xué)習(xí)的最新進展。雖然人工智能通常需要大量帶注釋的數(shù)據(jù)集來“學(xué)習(xí)”，但遷移學(xué)習(xí)技術(shù)可以讓曾接受過訓(xùn)練的人工智能快速學(xué)會另一種類似的技能。例如，可以對曾使用標(biāo)準(zhǔn)數(shù)據(jù)庫ImageNet中幾千萬個日常物體進行訓(xùn)練的算法，在10萬個視網(wǎng)膜圖像上進行重新訓(xùn)練，以診斷兩種常見的視力喪失原因。

此外，機器學(xué)習(xí)非常適合分析日常護理中收集的數(shù)據(jù)，以確定未來可能出現(xiàn)的情況。這些系統(tǒng)可以帶來預(yù)防措施，將健康問題扼殺在萌芽狀態(tài)，并降低醫(yī)療成本。當(dāng)它獲得足夠數(shù)量和質(zhì)量的病人健康數(shù)據(jù)時，人工智能已經(jīng)能夠建立比使用醫(yī)學(xué)原始圖像數(shù)據(jù)更加準(zhǔn)確的預(yù)測模型。

問題在于，醫(yī)生們將不得不學(xué)習(xí)如何收集必要的信息，輸入人工智能預(yù)測引擎。這些模型需要被仔細分析，以確保它們不會受金錢或物質(zhì)的影響，或過分關(guān)注通常不會出現(xiàn)癥狀的情況。

作為診斷后的下一步，治療對機器來說要困難得多。一個由治療數(shù)據(jù)訓(xùn)練出來的人工智能模型可能只能反映醫(yī)生的處方習(xí)慣，而不是理想中的實踐狀況。一個更有用的系統(tǒng)必須從精心策劃的數(shù)據(jù)中學(xué)習(xí)，以評估某種類型的治療對特定人群的影響。

這很困難。最近的幾次嘗試發(fā)現(xiàn)，獲取專家數(shù)據(jù)、更新人工智能或根據(jù)本地實踐量身定做這些數(shù)據(jù)確實具有挑戰(zhàn)性。目前，使用人工智能作為治療建議仍然是未來的前沿領(lǐng)域。

醫(yī)療改革

診斷只是冰山一角。

人工智能對簡化醫(yī)生工作流程的影響也許更直接明顯。智能搜索引擎等一般人工智能的能力可以幫助找出必要的病人數(shù)據(jù)，而聯(lián)想輸入或語音聽寫等其他技術(shù)，可以減輕獲取醫(yī)療數(shù)據(jù)的繁瑣過程，而醫(yī)生在日常工作中已經(jīng)在使用這些技術(shù)了。

我們不應(yīng)該低估這種特殊的影響。醫(yī)生們忙于文書工作，這占用了他們與病人相處的寶貴時間。對當(dāng)前的醫(yī)生隊伍進行人工智能技術(shù)教育，以提高效率和改善工作流程，可以降低職業(yè)倦怠率。更重要的是，這些數(shù)據(jù)可以反過來反饋訓(xùn)練機器學(xué)習(xí)模型，進一步優(yōu)化病人護理，形成良性循環(huán)。

人工智能還掌握著將醫(yī)療擴展到醫(yī)院之外的關(guān)鍵。例如，未來的應(yīng)用程序可以讓患者拍下皮疹的照片，從而在網(wǎng)上獲得診斷，而不用急著去急診。自動分診可以有效地將病人送到適當(dāng)醫(yī)生那里，獲得適當(dāng)?shù)淖o理。機器學(xué)習(xí)也許是人工智能輔助醫(yī)療的最大希望，在“看到”數(shù)十億病人之后，機器學(xué)習(xí)可以讓醫(yī)生有能力做出更好的決策。

但是，如果沒有數(shù)據(jù)支持，這個特定的場景就只能是紙上談兵?，F(xiàn)在的關(guān)鍵是開發(fā)正式的方法來測試這些想法，同時不傷害醫(yī)生或患者。

發(fā)展過程中的挑戰(zhàn)

人工智能和醫(yī)學(xué)界在學(xué)習(xí)協(xié)作時都面臨著多重挑戰(zhàn)。醫(yī)學(xué)特別強調(diào)了機器學(xué)習(xí)的局限性。例如，如果不收集具有代表性但多樣化的疾病數(shù)據(jù)集，人工智能模型要么是錯誤的，要么是有偏見的，或者兩者兼而有之。

然而，這并不是一個永久性的障礙。人工智能模型越來越能夠處理不可靠或變化中的數(shù)據(jù)集，只要數(shù)據(jù)量足夠大。盡管這些模型并不完美，但可以通過一個帶注釋的小集合進一步完善，這樣一來，研究人員和臨床醫(yī)生能夠通過一個模型來識別潛在的問題。

例如，Google Brain的研究人員正在探索打開人工智能“黑匣子”的新方法，迫使算法解釋他們的決定。解釋性在臨床環(huán)境中變得越來越重要，幸運的是，最近在頂級期刊上發(fā)表的AI診斷結(jié)果都帶有一種內(nèi)在的解釋機制。盡管人類專家可以監(jiān)督人工智能替代品的開發(fā)，以降低虛假診斷，但大家都應(yīng)該清楚知道，醫(yī)療錯誤率為零對人類和機器來說都是不現(xiàn)實的。

臨床醫(yī)生和患者采用這些系統(tǒng)需要了解他們的最佳使用限制。任何一方都不應(yīng)該過分依賴機器診斷，即使它變得習(xí)以為常。

目前，我們?nèi)〉玫某晒蠖嘞抻诨跉v史數(shù)據(jù)集的模型。未來幾年的關(guān)鍵是建立前瞻性模型，以便臨床醫(yī)生在現(xiàn)實世界中進行評估，同時避開為人工智能獲取和管理大型數(shù)據(jù)集所帶來的復(fù)雜的法律、隱私、倫理和監(jiān)管困境。

踮起腳尖向前看

正如幾位作者指出的那樣，過分夸大人工智能對醫(yī)療保健的影響并不是最好的進步方法。

相反，他們對于這一點是“謹(jǐn)慎樂觀”的。他們預(yù)計未來幾年將出現(xiàn)幾個經(jīng)過仔細審查的早期模型，以及由經(jīng)濟激勵和為所有人提供價值保健的理想驅(qū)動的文化變革。

最后，機器學(xué)習(xí)并沒有從醫(yī)生那里拿走任何東西。相反，醫(yī)生的感性、敏感和對生命的欣賞永遠不會消失。人工智能只是對此進行補充。

“這不是機器和人類一較高下的問題，而是利用人工智能優(yōu)化人類醫(yī)生和病人護理的問題，”Kohane博士表示。